利用谷歌街景探索街景要素与犯罪的关联关系

 

01 内容导读

 

 

理解城市建成环境对犯罪的影响机制能为犯罪预防、城市规划、城市管理等提供重要的参考。然而,早期的犯罪研究依赖于城市遥感数据、审计数据以及问卷调查数据来定量感知建成环境与犯罪的影响,不仅耗时费力,而且难以从人眼的角度自动量化街道环境特征。街景图像以行人的角度系统详尽地记录了城市景观,是城市-社会感知的重要数据源。此外,深度学习技术在图像处理方面表现卓越。基于深度学习的图像语义分割为研究街道级的视觉环境要素与犯罪的关系提供了坚实的基础。 

因此,我们将街景图像与深度学习技术相结合,自动量化街道视觉特征。然后运用泊松回归模型从全局的角度探索了街道视觉要素与犯罪活动的相关性,找出影响犯罪行为的关键街道视觉要素。考虑到犯罪与街景要素在空间上的分布差异性,我们使用地理加权泊松回归模型进一步探索8个街道视觉要素对犯罪活动的影响强度的空间变化和差异。

 

02 数据与方法

 

 

研究区域与数据

本研究以美国纽约曼哈顿上下城为研究区域,如图1所示。所使用的数据共四类,即犯罪数据、社会经济数据、路网数据、谷歌街景,具体如表1所示。我们将犯罪数据分为四种类型,分别是财产犯罪、暴力犯罪、白天犯罪和夜间犯罪。

图1 研究区位置示意图

表1 研究区数据集

谷歌街景收集与分割

本研究首先在处理后的路网设置采样点,然后利用谷歌API获得了研究区的所有街景图像。每个采样点由18张街景图像组成,如图2所示。最后使用DeepLab V3+网络分割所收集的街景图像,分割结果示例如图3所示。

图2 每个采样点由18张街景图构成

图3 街景图像分割示例

 

 

街景视觉指标计算

基于相关的文献以及人们的常识感知,我们提出了8个与犯罪相关的街道视觉指标计算方法。为了方便理解与说明,我们将这8个指标分别简写为PSI,GVI,BVI,SVL,LVI,SCE,MI和NAI。各指标的定义、公式以及参数说明如下所示。

(1)

GVI(Green View index), BVI(Building View Index),SVI(Sky View Index),LVI(Light View Index):定义为每个全景点的18张街景图像中,某一类街道视觉要素(植被、建筑、天空、灯光)的总像素与图像总像素的百分比。

(2)

PSI(Pedestrain Space Index): 定义为每个全景点的18张街景图像中,人行道总像素与道路总像素的百分比。该指标用于描述行人行走空间的拥挤程度。

(3)

SCE(Street Canyon Enclosure):定义为每个全景点的18张街景图像中,建筑、树木、交通标志以及围栏的总像素与图像总像素的百分比。街道峡谷围合度是行人感知环境的重要参数。SCE指标用于描述街道两侧的视觉要素对街道的包围程度。

(4)

MI(Motorization Index):定义为每个全景点的18张街景图像中道路、人行道以及车辆的总像素与图像总像素的百分比。道路交通特征和道路性质也是影响犯罪活动的重要因素。

(5)

NAI(Nature-Artificial Index):定义为每个全景点的18张街景图像中自然要素总像素与人工要素总像素的百分比。NAI被用来探索自然要素与人工要素的组合比例对犯罪活动的影响。

 

根据上述公式,可计算街道上所有采样点的8个指标,然后采用加权平均法对街道段的指标进行汇总。

 

全局与局部回归模型

本文分别从全局和局部的角度探索了犯罪活动与街道视觉要素的关系。考虑到犯罪数据是离散且非负的计数数据,我们采用Poisson回归作为全局模型,采用地理加权回归模型(GWPR)作为局部回归模型。模型公式及说明如下所述。

(1)Poisson 回归模型

其中,0是一个常数,是第i条路段的期望犯罪数量(即因变量),是指第i条路段上的第k个变量,是对应的估计系数,ε是一个误差项。

(2)GWPR 模型

空间非平稳性是地理分布中的常见现象。泊松回归模型忽略了变量的空间影响,无法揭示空间变量之间的动态影响关系。因此,我们采用地理加权泊松回归模型来研究空间非平稳性及其对犯罪活动的影响。GWPR计算公式如下:

其中,0是一个常数,( , )表示第i个回归“点”的坐标,( , )是位置( , )处的第个自变量的系数。是第i条路段的误差项。

 

GWPR可以看作是局部回归模型,其中权重与地理数据对相关。在这项研究中,使用了一个双平方自适应函数来估计权重,并使用校正后的Akaike信息准则(AICc)方法来自动调整带宽。

 

 

03 结果与分析

 

 

>>>犯罪空间分析

本文使用Getis-ord Gi* 方法来研究犯罪活动的空间聚集模式。不同类型的犯罪空间冷热点分布如图4所示。上城中,暴力犯罪热点集中在97街以北的街道,财产犯罪则集中在第三大道的E90St至E97St(图4b)。在下城,财产犯罪热点零星分布在东村的西北部、格林尼治村北部、SoHo区南部,而暴力犯罪热点集中在东村和下东城的中部及东部(图4b和图4c)。另外,犯罪热点和冷点的空间分布也随时间而变化,如图4d和图4e所示。例如,上城区白天犯罪与夜间犯罪热点几乎都集中在哈林区和东哈林区的街道上,但是夜间犯罪热点分布更广也更集中。

图4 不同犯罪类型的冷热点分布(a.所有犯罪;b.财产犯罪;c.暴力犯罪;d.白天犯罪;e.夜间犯罪)

>>>街景视觉指标可视化

以街道段为基本单位,将街景指标进行聚合,结果可视化展示(如图5所示)。上下城指标值的差异反映了不同区域的街道视觉环境特征的差异。例如,上下城中的GVI分布差异较为明显,上城看起来似乎比下城更“绿”。这是因为上城有一个巨大的中央公园,使得附近的街道GVI值明显偏高。此外,从图5中还可发现下城中LVI值较大的街道比上城分布得更多、更广。

(a)上城街景指标可视化

(b)下城街景指标可视化

图5 上城(a)与下城(b)的8个街景指标可视化结果

>>>全局回归结果

全局Poisson回归结果如表2所示。从表2我们可以得到一些有趣的结果。比如,对于不同类型的犯罪(模型1-6),MI与所有类型的犯罪都有最强正相关性,表明高度混合及可达的道路网络不仅没有发挥“街道眼”的监视作用,反而为罪犯创造了犯罪和逃逸的机会。GVI与上城所有类型的犯罪的负相关性最强,下城则相反。相反的结果部分归因于区域街道环境特征的差异。例如,中央公园占据了住宅区的一大片区域,许多人在公园周围休息,社交,锻炼等活动,这增加了广泛的人群监视并抑制了犯罪活动。

对于不同时间的犯罪(模型7-10),我们也有一些有趣的发现。不同时间的犯罪,其视觉指标与犯罪事件之间的关系有很大差异。例如,LVI在上下城的回归结果是相反的,即上城中LVI促进犯罪,下城则相反。出现这种差异的原因可能是上下城区域的社会经济以及街道环境的差异。

总之,通过全局回归分析得知,MI与犯罪活动呈正相关,PSI与犯罪呈负相关。但是,在不同区域中,其余指标的回归结果与常识相反或矛盾。原因是视觉指标对犯罪的影响在空间上是不稳定的,因为回归结果受区域特征的影响。因此,有必要进行局部回归分析。

表2 全局泊松回归结果

>>>局部回归结果

我们将GWPR回归结果可视化展示,分别如图6,图7所示。总体上,不同的街道上,8个指标对犯罪的影响程度是完全不同的。对图6,图7进行解释分析,我们得到以下重要发现:

(1)NAI和SVI对犯罪的空间影响相对较小;

(2)PSI,GVI,LVI,BVI和MI对犯罪活动的影响强度在空间上发生了明显变化,且LVI的变化最为剧烈。BVI对财产犯罪和暴力犯罪具有很强的积极影响。LVI对夜间犯罪和财产犯罪具有较强的抑制作用。 

(3)街景对犯罪活动的影响在空间上受到特定地理位置和社会经济因素的影响。这意味着相同的街道视觉景观要素可能对不同街道的犯罪产生相同或不同的影响。 

(4)根据GWPR结果,我们可以找出影响每条街道特定犯罪活动的关键视觉元素。

图6 GVI,BVI,SVI和LVI系数分布

图7 SCE,PSI,MI和NAI系数分布

 

04 总结

 

 

本文使用谷歌街景和深度学习技术来自动测量8种街道视觉特征。然后基于量化的特征,分别从全局和局部的角度探索了犯罪与视觉要素的影响关系及其影响强度在空间上的变化,并找出影响特定犯罪活动的关键街景视觉要素。这项研究结果可为犯罪预防和城市规划管理等提供理论和实践意义。

参考文献:

[1] Mingyu Deng, Wei Yang, Chao Chen and Chenxi Liu. Exploring Associations between Streetscape Factors and Crime Behaviors Using Google Street View Images[J]. Front. Comput. Sci.
https://pan.baidu.com/s/1yaxqfx5vwkz54vPvLKM8Qg 密码:mmvh